In [ ]:
data['middle_avg_bill'].hist()
plt.xlabel('Средний чек')
plt.ylabel('Количество')
plt.title('Распределение среднего чека');
Рынок заведений общественного питания Москвы
Краткое описание - Инвесторы из фонда «Shut Up and Take My Money» решили попробовать себя в новой области и открыть заведение общественного питания в Москве. Заказчики ещё не знают, что это будет за место: кафе, ресторан, пиццерия, паб или бар, — и какими будут расположение, меню и цены.
Цель - исследовать рынок Москвы, найти интересные особенности и подготовить презентацию с результатами исследования.
Ход исследования
Данные для исследования находятся датасете: 'moscow_places.csv' - здесь находится вся информация с заведениями общественного питания Москвы
Описание данных
В рамках исследования нужно будет изучить представленные данные и провести предобработку. Далее необходимо будет провести анализ данных с исследованием категорий заведения, количеством посадочных мест, районов Москвы, средних чеков и т.д. Необходимо будет все визуализировать. В ходе анализа проведем детализацию и выделим отдельную категорию кофейню. В рамках детализации ответим на следующие вопросы:
Таким образом, исследование пройдёт в 4 этапа:
1) Подготовка данных.
2) Анализ данных/Проведение самого исследования
3) Анализ бизнес идеи по открытию кофейни
4) Подготовка презентации.
# импортирую необходимые библиотеки
import pandas as pd
import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
import plotly
import plotly.express as px
import plotly.graph_objects as go
from scipy import stats as st
import json
from folium import Map, Choropleth
from folium import Marker, Map
from folium.plugins import MarkerCluster
path = '/datasets/'
data = pd.read_csv(path + 'moscow_places.csv')
data.head(5)
| name | category | address | district | hours | lat | lng | rating | price | avg_bill | middle_avg_bill | middle_coffee_cup | chain | seats | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | WoWфли | кафе | Москва, улица Дыбенко, 7/1 | Северный административный округ | ежедневно, 10:00–22:00 | 55.878494 | 37.478860 | 5.0 | NaN | NaN | NaN | NaN | 0 | NaN |
| 1 | Четыре комнаты | ресторан | Москва, улица Дыбенко, 36, корп. 1 | Северный административный округ | ежедневно, 10:00–22:00 | 55.875801 | 37.484479 | 4.5 | выше среднего | Средний счёт:1500–1600 ₽ | 1550.0 | NaN | 0 | 4.0 |
| 2 | Хазри | кафе | Москва, Клязьминская улица, 15 | Северный административный округ | пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00... | 55.889146 | 37.525901 | 4.6 | средние | Средний счёт:от 1000 ₽ | 1000.0 | NaN | 0 | 45.0 |
| 3 | Dormouse Coffee Shop | кофейня | Москва, улица Маршала Федоренко, 12 | Северный административный округ | ежедневно, 09:00–22:00 | 55.881608 | 37.488860 | 5.0 | NaN | Цена чашки капучино:155–185 ₽ | NaN | 170.0 | 0 | NaN |
| 4 | Иль Марко | пиццерия | Москва, Правобережная улица, 1Б | Северный административный округ | ежедневно, 10:00–22:00 | 55.881166 | 37.449357 | 5.0 | средние | Средний счёт:400–600 ₽ | 500.0 | NaN | 1 | 148.0 |
data.info()
<class 'pandas.core.frame.DataFrame'> RangeIndex: 8406 entries, 0 to 8405 Data columns (total 14 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 name 8406 non-null object 1 category 8406 non-null object 2 address 8406 non-null object 3 district 8406 non-null object 4 hours 7870 non-null object 5 lat 8406 non-null float64 6 lng 8406 non-null float64 7 rating 8406 non-null float64 8 price 3315 non-null object 9 avg_bill 3816 non-null object 10 middle_avg_bill 3149 non-null float64 11 middle_coffee_cup 535 non-null float64 12 chain 8406 non-null int64 13 seats 4795 non-null float64 dtypes: float64(6), int64(1), object(7) memory usage: 919.5+ KB
Посмотрел общую информацию по датасету, каждый столбец соответсвует своему типу данных. Но я вижу что присутствуют пропуски. К ним я перейду чуть позже.
pd.options.display.max_rows = 10
data['name'].value_counts()
Кафе 189
Шоколадница 120
Домино'с Пицца 76
Додо Пицца 74
One Price Coffee 71
...
Моспончики 1
Ресторан Купец 1
Алия кафе 1
Ситипицца 1
Домик в Саду 1
Name: name, Length: 5614, dtype: int64
Мы посмотрели какие заведения и сколько представлены. Очень много заведений по одному и есть подозрения по дубликатам (неявным и явным). Сейчас посмотрим информацию по столбцу и после уже перейдем к предобработке.
data['name'].describe()
count 8406 unique 5614 top Кафе freq 189 Name: name, dtype: object
# я бы в этом столбце для начала предобработки привел все к нижнему регистру.
data['name'] = data['name'].str.lower()
data['name'].value_counts()
кафе 189
шоколадница 120
домино'с пицца 77
додо пицца 74
one price coffee 72
...
cosmos lounge 1
ала арча 1
tomorrow 1
хинкали gали! 1
кафе электрон 1
Name: name, Length: 5512, dtype: int64
pd.options.display.max_rows = 50
data['name'].value_counts().head(50)
#data['name'].value_counts().tail(50)
кафе 189 шоколадница 120 домино'с пицца 77 додо пицца 74 one price coffee 72 яндекс лавка 69 cofix 65 prime 50 хинкальная 44 шаурма 43 кофепорт 42 кулинарная лавка братьев караваевых 39 теремок 38 чайхана 37 ресторан 34 буханка 32 cofefest 32 столовая 28 му-му 27 drive café 24 кофемания 23 андерсон 22 крошка картошка 22 french bakery 20 скалка 20 cinnabon 20 тануки 19 штолле 19 хлеб насущный 19 арамье 18 vasilchukí chaihona №1 17 сушистор 16 wild bean cafe 16 osteria mario 16 донер кебаб 16 мск lounge 15 кафетерий 15 моремания 15 правда кофе 14 вареничная № 1 14 pizza express 24 14 бургер кинг 14 алло! пицца 13 brasserie lambic 13 pizza hut 12 кофейня 12 бистро 12 джонджоли 12 кафе-столовая 11 халяль 10 Name: name, dtype: int64
После приведения к нижнему регистру названия кафе объединились (102), и после вывода строк при визуальном осмотре одинаковых названий с использованием символов не обнаружено. Я перехожу к другим столбцам.
data['category'].describe()
count 8406 unique 8 top кафе freq 2378 Name: category, dtype: object
data['category'].value_counts()
кафе 2378 ресторан 2043 кофейня 1413 бар,паб 765 пиццерия 633 быстрое питание 603 столовая 315 булочная 256 Name: category, dtype: int64
Не вижу никаких проблем с данными в этом столбце. Идем дальше.
data['address'].describe()
count 8406 unique 5753 top Москва, проспект Вернадского, 86В freq 28 Name: address, dtype: object
data['address'].value_counts()
Москва, проспект Вернадского, 86В 28
Москва, Усачёва улица, 26 26
Москва, площадь Киевского Вокзала, 2 20
Москва, Ярцевская улица, 19 20
Москва, Лесная улица, 20, стр. 3 16
..
Москва, Зеленодольская улица, 43А 1
Москва, улица Земляной Вал, 14-16с1 1
Москва, улица Новый Арбат, 11, стр. 2 1
Москва, Никольская улица, 8 1
Москва, улица Арбат, 31 1
Name: address, Length: 5753, dtype: int64
На первый взгляд проблем нет, интересно что на нескольких адресах много кафе присутсвует. Я посмотрел по карте, на проспекте Вернадского находится фудмолл , на улице Усачева - Усачевский рынок. Вероятно и остальные тоже здания где много кафе это или рынки или торговые центры. Так как в этом столбце текст я приведу на всякий случай к нижнему регистру по аналогии с названиями, чтобы в случае чего также схлопнуть дубли.
data['address'].str.lower()
data['address'].value_counts()
Москва, проспект Вернадского, 86В 28
Москва, Усачёва улица, 26 26
Москва, площадь Киевского Вокзала, 2 20
Москва, Ярцевская улица, 19 20
Москва, Лесная улица, 20, стр. 3 16
..
Москва, Зеленодольская улица, 43А 1
Москва, улица Земляной Вал, 14-16с1 1
Москва, улица Новый Арбат, 11, стр. 2 1
Москва, Никольская улица, 8 1
Москва, улица Арбат, 31 1
Name: address, Length: 5753, dtype: int64
data['district'].describe()
count 8406 unique 9 top Центральный административный округ freq 2242 Name: district, dtype: object
data['district'].value_counts()
Центральный административный округ 2242 Северный административный округ 900 Южный административный округ 892 Северо-Восточный административный округ 891 Западный административный округ 851 Восточный административный округ 798 Юго-Восточный административный округ 714 Юго-Западный административный округ 709 Северо-Западный административный округ 409 Name: district, dtype: int64
К этому столбцу тоже нет вопросов.
data['hours'].describe()
count 7870 unique 1307 top ежедневно, 10:00–22:00 freq 759 Name: hours, dtype: object
data['hours'].value_counts().head(50)
ежедневно, 10:00–22:00 759 ежедневно, круглосуточно 730 ежедневно, 11:00–23:00 396 ежедневно, 10:00–23:00 310 ежедневно, 12:00–00:00 254 ежедневно, 09:00–21:00 204 ежедневно, 09:00–22:00 184 ежедневно, 12:00–23:00 178 ежедневно, 08:00–23:00 160 ежедневно, 08:00–22:00 148 ежедневно, 09:00–23:00 140 ежедневно, 11:00–00:00 127 ежедневно, 10:00–21:00 103 пн-чт 10:00–22:00; пт,сб 10:00–23:00; вс 10:00–22:00 89 ежедневно, 10:00–00:00 79 ежедневно, 08:00–21:00 73 пн-пт 08:00–19:00 70 пн-чт 12:00–00:00; пт,сб 12:00–02:00; вс 12:00–00:00 68 пн-пт 09:00–18:00 67 пн-пт 08:00–21:00; сб,вс 09:00–21:00 67 пн-пт 08:00–22:00; сб,вс 09:00–22:00 60 ежедневно, 11:00–22:00 58 пн-пт 09:00–17:00 58 ежедневно, 08:00–20:00 57 ежедневно, 09:00–00:00 57 ежедневно, 07:00–00:00 55 ежедневно, 07:00–23:00 43 ежедневно, 07:00–22:00 43 пн-пт 08:00–18:00 43 ежедневно, 10:00–20:00 42 ежедневно, 09:00–20:00 38 ежедневно, 08:00–00:00 37 пн-пт 08:00–20:00 36 пн-пт 08:00–22:00; сб,вс 10:00–22:00 36 пн-пт 08:00–18:30 34 пн-пт 07:30–23:00; сб 08:00–22:00; вс 09:00–21:00 27 пн-пт 09:00–22:00; сб,вс 10:00–22:00 25 ежедневно, 12:00–22:00 25 пн-чт 10:00–23:00; пт,сб 10:00–00:00; вс 10:00–23:00 24 пн-пт 09:00–16:00 22 пн-пт 09:00–20:00 22 пн-пт 08:00–23:00; сб,вс 10:00–23:00 22 ежедневно, 10:00–02:00 21 пн-пт 08:30–17:00 21 пн-чт 11:00–00:00; пт,сб 11:00–02:00; вс 11:00–00:00 21 пн-чт 12:00–00:00; пт,сб 12:00–03:00; вс 12:00–00:00 21 пн-пт 08:00–17:00 21 пн-пт 08:00–23:00; сб,вс 09:00–23:00 21 ежедневно, 11:00–01:00 20 пн-пт 09:00–19:00 20 Name: hours, dtype: int64
data['hours'].isna().mean()
0.06376397811087318
# в этом столбце у нас 6% пропусков, так как у нас не повлияют они на исследование, я заполню пустые строки 'unknown'
data['hours'] = data['hours'].fillna('unknown')
data['lat'].value_counts()
55.805361 3
55.762784 3
55.783477 3
55.746918 3
55.706883 3
..
55.761960 1
55.792516 1
55.770445 1
55.761305 1
55.726613 1
Name: lat, Length: 8209, dtype: int64
data['lat'].isna().mean()
0.0
data['lng'].value_counts()
37.732745 3
37.653027 3
37.574534 3
37.552480 3
37.513952 3
..
37.593804 1
37.671945 1
37.613680 1
37.659817 1
37.667622 1
Name: lng, Length: 8258, dtype: int64
data['lng'].isna().mean()
0.0
По столбцам 'lat' и 'lng' главное что нет пропусков и вопросов тоже не имею.
data['rating'].describe()
count 8406.000000 mean 4.229895 std 0.470348 min 1.000000 25% 4.100000 50% 4.300000 75% 4.400000 max 5.000000 Name: rating, dtype: float64
data['rating'].value_counts()
4.3 1513 4.4 1351 4.2 1041 4.1 785 4.5 623 4.0 499 4.7 440 4.6 422 3.9 252 4.9 243 4.8 215 3.8 188 3.7 147 5.0 105 3.6 76 3.5 72 3.4 68 3.3 54 3.2 41 3.1 37 2.9 31 2.8 30 3.0 24 2.6 15 1.1 14 2.5 14 2.3 14 2.2 13 2.4 11 2.7 11 1.3 11 1.4 11 1.0 10 1.7 6 2.1 4 2.0 4 1.9 4 1.6 2 1.8 2 1.5 2 1.2 1 Name: rating, dtype: int64
data['rating'].isna().mean()
0.0
По этому столбцу тоже данные в порядке
data['price'].describe()
count 3315 unique 4 top средние freq 2117 Name: price, dtype: object
data['price'].value_counts()
средние 2117 выше среднего 564 высокие 478 низкие 156 Name: price, dtype: int64
data['price'].isna().mean()
0.605638829407566
В этом столбце очень много пропусков (60%). Но по причине того, что данные не будут использоваться в исследовании, я не буду тратить время на замену пропусков. Равно как и со столбцом 'avg_bill' по этим же причинам.
data['avg_bill'].describe()
count 3816 unique 897 top Средний счёт:1000–1500 ₽ freq 241 Name: avg_bill, dtype: object
data['avg_bill'].value_counts()
Средний счёт:1000–1500 ₽ 241
Средний счёт:1500–2000 ₽ 120
Средний счёт:300–500 ₽ 90
Средний счёт:500–1000 ₽ 78
Средний счёт:1500–2500 ₽ 68
...
Цена бокала пива:320–375 ₽ 1
Средний счёт:229 ₽ 1
Цена бокала пива:200–390 ₽ 1
Средний счёт:280–320 ₽ 1
Средний счёт:400–1500 ₽ 1
Name: avg_bill, Length: 897, dtype: int64
data['avg_bill'].isna().mean()
0.5460385438972163
# а вот со столбцами 'middle_avg_bill' и 'middle_coffee_cup' нужно будет поработать.
data['middle_avg_bill'].value_counts()
1250.0 247
1000.0 175
300.0 148
1500.0 146
400.0 134
...
545.0 1
6000.0 1
345.0 1
1060.0 1
30.0 1
Name: middle_avg_bill, Length: 230, dtype: int64
data['middle_avg_bill'].isna().mean()
0.62538662859862
data['middle_avg_bill'].describe()
count 3149.000000 mean 958.053668 std 1009.732845 min 0.000000 25% 375.000000 50% 750.000000 75% 1250.000000 max 35000.000000 Name: middle_avg_bill, dtype: float64
data['middle_avg_bill'].hist()
plt.xlabel('Средний чек')
plt.ylabel('Количество')
plt.title('Распределение среднего чека');
data.boxplot(column=['middle_avg_bill'])
plt.ylabel('Средний чек')
plt.title('Распределение по среднему чеку');
plt.show()
# в столбце middle_avg_bill я не буду ничего менять, по причине того, что пропусков больше половины,
# и в последующем исследовании у нас будут не корректные выводы . Принято решение оставить все как есть.
data['middle_coffee_cup'].describe()
count 535.000000 mean 174.721495 std 88.951103 min 60.000000 25% 124.500000 50% 169.000000 75% 225.000000 max 1568.000000 Name: middle_coffee_cup, dtype: float64
data['middle_coffee_cup'].isna().mean()
0.9363549845348561
(data['category'] == 'кофейня').value_counts()
False 6993 True 1413 Name: category, dtype: int64
data.boxplot(column=['middle_coffee_cup'])
plt.ylabel('Средний чек')
plt.title('Распределение по среднему чеку');
plt.show()
data['middle_coffee_cup'].hist()
plt.xlabel('Средний чек')
plt.ylabel('Количество')
plt.title('Распределение среднего чека');
# тут схожая ситуация как и в столбце с числом оценки среднего чека. Только пропусков намного больше (93%).
# Я это объясняю тем, что кофеен не так много, но лучше я также оставлю все как есть без изменений.
# посмотрим что у нас с ситуацией по сетевым и не сетевым заведениям.
data['chain'].describe()
count 8406.000000 mean 0.381275 std 0.485729 min 0.000000 25% 0.000000 50% 0.000000 75% 1.000000 max 1.000000 Name: chain, dtype: float64
data['chain'].value_counts()
0 5201 1 3205 Name: chain, dtype: int64
data['chain'].isna().mean()
0.0
# для более удобного восприятия я переименую значения на "сетевое" и "несетевое"
data['chain'] = data['chain'].map({0 :'несетевое', 1 :'сетевое'})
К столбцу 'Chain' вопросов нет. Посмотрим наконец на последний с местами 'seats'.
data['seats'].describe()
count 4795.000000 mean 108.421689 std 122.833396 min 0.000000 25% 40.000000 50% 75.000000 75% 140.000000 max 1288.000000 Name: seats, dtype: float64
data['seats'].isna().mean()
0.4295741137282893
data.sort_values(by='seats').head(30)
| name | category | address | district | hours | lat | lng | rating | price | avg_bill | middle_avg_bill | middle_coffee_cup | chain | seats | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5578 | мангал | быстрое питание | Москва, Саянская улица, 11А | Восточный административный округ | ежедневно, круглосуточно | 55.767800 | 37.833233 | 4.2 | NaN | NaN | NaN | NaN | сетевое | 0.0 |
| 7271 | вьет лотос | быстрое питание | Москва, Поречная улица, 10 | Юго-Восточный административный округ | ежедневно, 10:00–22:00 | 55.649476 | 37.771455 | 4.6 | NaN | NaN | NaN | NaN | несетевое | 0.0 |
| 7267 | выдра кофе | кофейня | Москва, Поречная улица, 10 | Юго-Восточный административный округ | ежедневно, 10:00–22:00 | 55.650092 | 37.769662 | 5.0 | NaN | NaN | NaN | NaN | несетевое | 0.0 |
| 7266 | шашлыкоff | бар,паб | Москва, Поречная улица, 10 | Юго-Восточный административный округ | пн-чт 10:00–00:00; пт,сб 10:00–03:00; вс 10:00... | 55.650440 | 37.769901 | 4.4 | средние | Средний счёт:500–700 ₽ | 600.0 | NaN | сетевое | 0.0 |
| 7259 | пицца паоло | пиццерия | Москва, Коломенская улица, 19, корп. 2 | Южный административный округ | вт-вс 10:30–22:00 | 55.678245 | 37.695932 | 3.7 | средние | Средний счёт:300–500 ₽ | 400.0 | NaN | сетевое | 0.0 |
| 2823 | шаверма | быстрое питание | Москва, Уссурийская улица, 1, корп. 5 | Восточный административный округ | ежедневно, 09:00–22:00 | 55.823564 | 37.810661 | 3.0 | NaN | NaN | NaN | NaN | сетевое | 0.0 |
| 2906 | кофе с собой | кафе | Москва, Сиреневый бульвар, 64А | Восточный административный округ | ежедневно, круглосуточно | 55.802933 | 37.829503 | 3.5 | NaN | Средний счёт:90–450 ₽ | 270.0 | NaN | сетевое | 0.0 |
| 196 | донер-шашлык | ресторан | Москва, улица Лескова, 22 | Северо-Восточный административный округ | ежедневно, круглосуточно | 55.896962 | 37.608300 | 4.5 | NaN | NaN | NaN | NaN | несетевое | 0.0 |
| 7241 | яндекс лавка | ресторан | Москва, Варшавское шоссе, 59А | Южный административный округ | ежедневно, 07:00–02:00 | 55.675595 | 37.627051 | 4.0 | NaN | NaN | NaN | NaN | сетевое | 0.0 |
| 2973 | шаурма | кафе | Москва, бульвар Маршала Рокоссовского, 36/1 | Восточный административный округ | ежедневно, 08:00–22:00 | 55.817703 | 37.714289 | 3.8 | NaN | NaN | NaN | NaN | несетевое | 0.0 |
| 203 | тандыр № 1 | кафе | Москва, улица Лескова, 22Г | Северо-Восточный административный округ | ежедневно, круглосуточно | 55.895615 | 37.611049 | 4.0 | NaN | NaN | NaN | NaN | сетевое | 0.0 |
| 2986 | шаурма | кафе | Москва, бульвар Маршала Рокоссовского, 31 | Восточный административный округ | ежедневно, 10:00–00:00 | 55.816018 | 37.715533 | 3.9 | NaN | NaN | NaN | NaN | несетевое | 0.0 |
| 211 | неаполитан пицца | кафе | Москва, улица Пришвина, 23 | Северо-Восточный административный округ | ежедневно, 12:00–23:00 | 55.885416 | 37.604650 | 4.3 | NaN | NaN | NaN | NaN | несетевое | 0.0 |
| 3003 | вьетнамская кухня | кафе | Москва, Семёновская площадь, 7, корп. 17А | Восточный административный округ | unknown | 55.784527 | 37.721650 | 4.8 | NaN | NaN | NaN | NaN | сетевое | 0.0 |
| 7181 | чайхана халва | кафе | Москва, Каширский проезд, 9, корп. 1 | Южный административный округ | ежедневно, круглосуточно | 55.659467 | 37.624447 | 4.3 | NaN | NaN | NaN | NaN | сетевое | 0.0 |
| 7142 | хлеб да обед | столовая | Москва, улица Академика Миллионщикова, 7, корп. 1 | Южный административный округ | ежедневно, 09:00–21:00 | 55.672592 | 37.652002 | 4.4 | NaN | NaN | NaN | NaN | несетевое | 0.0 |
| 177 | арамье | булочная | Москва, улица 800-летия Москвы, 22, корп. 2 | Северный административный округ | ежедневно, 09:00–21:00 | 55.879392 | 37.556832 | 4.0 | NaN | NaN | NaN | NaN | сетевое | 0.0 |
| 3204 | органик | пиццерия | Москва, Карамышевская набережная, 34 | Северо-Западный административный округ | ежедневно, 10:00–22:30 | 55.769098 | 37.472316 | 4.3 | выше среднего | Цена чашки капучино:100–200 ₽ | NaN | 150.0 | несетевое | 0.0 |
| 7283 | bổ | быстрое питание | Москва, Мячковский бульвар, 3А | Юго-Восточный административный округ | ежедневно, 10:00–22:00 | 55.657952 | 37.751244 | 4.7 | средние | Средний счёт:800 ₽ | 800.0 | NaN | сетевое | 0.0 |
| 7305 | one price coffee | кофейня | Москва, Поречная улица, 10 | Юго-Восточный административный округ | ежедневно, 10:00–22:00 | 55.649665 | 37.770272 | 4.1 | NaN | NaN | NaN | NaN | сетевое | 0.0 |
| 7403 | додо пицца | пиццерия | Москва, Паромная улица, 11/31 | Южный административный округ | ежедневно, 10:00–22:30 | 55.635736 | 37.764097 | 4.3 | NaN | Средний счёт:426 ₽ | 426.0 | NaN | сетевое | 0.0 |
| 2610 | street coffee | кофейня | Москва, Первомайская улица, 105 | Восточный административный округ | пн-сб 08:00–22:00; вс 09:00–22:00 | 55.793645 | 37.809920 | 4.6 | средние | Цена чашки капучино:100 ₽ | NaN | 100.0 | несетевое | 0.0 |
| 7387 | крошка картошка | быстрое питание | Москва, Поречная улица, 10 | Юго-Восточный административный округ | ежедневно, 10:00–22:00 | 55.649376 | 37.771200 | 1.6 | средние | Средний счёт:200 ₽ | 200.0 | NaN | сетевое | 0.0 |
| 2622 | coffee in | кофейня | Москва, 3-я Парковая улица, 26/2 | Восточный административный округ | пн-пт 07:30–21:00; сб,вс 09:00–21:00 | 55.795649 | 37.782803 | 4.4 | NaN | NaN | NaN | NaN | сетевое | 0.0 |
| 2631 | о! фобо | кафе | Москва, Семёновская площадь, 7, корп. 17А | Восточный административный округ | пн-пт 11:00–22:00; сб,вс 12:00–22:00 | 55.784546 | 37.721723 | 4.8 | средние | Средний счёт:200–300 ₽ | 250.0 | NaN | несетевое | 0.0 |
| 7372 | main food | кофейня | Москва, Поречная улица, 10 | Юго-Восточный административный округ | ежедневно, 10:00–22:00 | 55.649607 | 37.770211 | 3.7 | NaN | NaN | NaN | NaN | несетевое | 0.0 |
| 2744 | намшон | ресторан | Москва, Семёновская площадь, 7, корп. 17А | Восточный административный округ | ежедневно, 10:00–23:00 | 55.784497 | 37.721759 | 4.4 | NaN | Средний счёт:300–500 ₽ | 400.0 | NaN | несетевое | 0.0 |
| 2780 | пицца и гирос | пиццерия | Москва, Семёновская площадь, 7, корп. 17А | Восточный административный округ | ежедневно, круглосуточно | 55.784347 | 37.721347 | 4.3 | средние | Средний счёт:300–500 ₽ | 400.0 | NaN | несетевое | 0.0 |
| 7360 | иссык-куль | кафе | Москва, улица Верхние Поля, 11, корп. 1, стр. 3 | Юго-Восточный административный округ | ежедневно, 09:00–23:00 | 55.665980 | 37.747729 | 4.2 | средние | Средний счёт:250–300 ₽ | 275.0 | NaN | несетевое | 0.0 |
| 7341 | myration | кафе | Москва, Поречная улица, 10 | Юго-Восточный административный округ | ежедневно, 10:00–22:00 | 55.649221 | 37.770128 | 4.3 | NaN | NaN | NaN | NaN | несетевое | 0.0 |
Есть теория, что пропуски в столбце 'seats' обозначают скорее отсуствие впринципе сидячих мест в заведении. Если посмотреть выше на таблицу, то в основном это заведения быстрого питания либо может быть едой на вынос. Посмотрим на распределение
data['seats'].hist(figsize=(12,5), bins=50)
plt.xlabel('Количество мест')
plt.ylabel('Количество заведений')
plt.title('Распределение по количеству сидячих мест');
plt.figure(figsize=(5,15))
data.boxplot(column=['seats'])
plt.ylabel('Количество мест')
plt.title('Распределение по количеству сидячих мест');
plt.show()
data[data['seats'].isna()].head(30)
| name | category | address | district | hours | lat | lng | rating | price | avg_bill | middle_avg_bill | middle_coffee_cup | chain | seats | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | wowфли | кафе | Москва, улица Дыбенко, 7/1 | Северный административный округ | ежедневно, 10:00–22:00 | 55.878494 | 37.478860 | 5.0 | NaN | NaN | NaN | NaN | несетевое | NaN |
| 3 | dormouse coffee shop | кофейня | Москва, улица Маршала Федоренко, 12 | Северный административный округ | ежедневно, 09:00–22:00 | 55.881608 | 37.488860 | 5.0 | NaN | Цена чашки капучино:155–185 ₽ | NaN | 170.0 | несетевое | NaN |
| 5 | sergio pizza | пиццерия | Москва, Ижорская улица, вл8Б | Северный административный округ | ежедневно, 10:00–23:00 | 55.888010 | 37.509573 | 4.6 | средние | NaN | NaN | NaN | несетевое | NaN |
| 11 | шашлык шефф | кафе | Москва, улица Маршала Федоренко, 10с1 | Северный административный округ | ежедневно, 10:00–21:00 | 55.881770 | 37.492362 | 4.9 | NaN | NaN | NaN | NaN | несетевое | NaN |
| 12 | заправка | кафе | Москва, МКАД, 80-й километр, 1 | Северный административный округ | вт-сб 09:00–18:00 | 55.899938 | 37.517958 | 4.3 | средние | Средний счёт:330 ₽ | 330.0 | NaN | несетевое | NaN |
| 14 | у сильвы | бар,паб | Москва, Ангарская улица, 42с1 | Северный административный округ | ежедневно, 13:00–00:00 | 55.885528 | 37.528371 | 4.2 | выше среднего | Средний счёт:1500 ₽ | 1500.0 | NaN | несетевое | NaN |
| 16 | база стритфуд | кафе | Москва, Базовская улица, 15, корп. 8 | Северный административный округ | ежедневно, 10:00–23:00 | 55.877859 | 37.507754 | 4.2 | средние | Средний счёт:140–350 ₽ | 245.0 | NaN | несетевое | NaN |
| 19 | пекарня | булочная | Москва, Ижорский проезд, 5 | Северный административный округ | ежедневно, круглосуточно | 55.887969 | 37.515688 | 4.4 | NaN | NaN | NaN | NaN | сетевое | NaN |
| 21 | 7/12 | кафе | Москва, Прибрежный проезд, 7 | Северный административный округ | ежедневно, 10:00–22:00 | 55.876805 | 37.464934 | 4.5 | NaN | NaN | NaN | NaN | несетевое | NaN |
| 22 | крымские чебуреки | кафе | Москва, Коровинское шоссе, 35, стр. 17 | Северный административный округ | пн-пт 09:00–21:00 | 55.883414 | 37.514572 | 4.2 | NaN | NaN | NaN | NaN | несетевое | NaN |
| 23 | буханка | булочная | Москва, Лобненская улица, 13к2 | Северный административный округ | ежедневно, 08:00–22:00 | 55.888421 | 37.527106 | 4.7 | NaN | NaN | NaN | NaN | сетевое | NaN |
| 24 | drive café | кафе | Москва, улица Дыбенко, 9Ас1 | Северный административный округ | ежедневно, круглосуточно | 55.879992 | 37.481571 | 4.0 | NaN | NaN | NaN | NaN | сетевое | NaN |
| 25 | в парке вкуснее | кофейня | Москва, парк Левобережный | Северный административный округ | ежедневно, 10:00–21:00 | 55.878453 | 37.460028 | 4.3 | NaN | NaN | NaN | NaN | сетевое | NaN |
| 26 | пикочино | пиццерия | Москва, Дмитровское шоссе, 107к2 | Северный административный округ | пн-чт 11:00–22:00; пт,сб 11:00–23:00; вс 11:00... | 55.879390 | 37.541228 | 4.5 | средние | Средний счёт:300–1500 ₽ | 900.0 | NaN | несетевое | NaN |
| 28 | mafe | кафе | Москва, МКАД, 78-й километр, 14к1 | Северный административный округ | ежедневно, 10:00–19:00 | 55.893061 | 37.501319 | 3.8 | средние | Средний счёт:400–600 ₽ | 500.0 | NaN | несетевое | NaN |
| 29 | кушай город | столовая | Москва, Дмитровское шоссе, 157, стр. 15 | Северный административный округ | пн-пт 09:00–16:00 | 55.898414 | 37.539256 | 4.2 | средние | Средний счёт:200–250 ₽ | 225.0 | NaN | сетевое | NaN |
| 30 | кафедра | булочная | Москва, Базовская улица, 15, корп. 6 | Северный административный округ | ежедневно, 08:00–21:00 | 55.879723 | 37.510227 | 4.4 | NaN | NaN | NaN | NaN | несетевое | NaN |
| 31 | алталия | быстрое питание | Москва, улица Дыбенко, 7/1 | Северный административный округ | ежедневно, 10:00–22:00 | 55.878691 | 37.478993 | 4.1 | NaN | NaN | NaN | NaN | несетевое | NaN |
| 35 | виладж пицца | пиццерия | Москва, Базовская улица, 15, корп. 15 | Северный административный округ | ежедневно, 09:00–23:00 | 55.876278 | 37.505575 | 4.3 | средние | Средний счёт:от 345 ₽ | 345.0 | NaN | несетевое | NaN |
| 37 | халяль закусочная | кафе | Москва, Коровинское шоссе, 46, стр. 5 | Северный административный округ | ежедневно, 08:00–23:00 | 55.888023 | 37.515443 | 3.9 | NaN | NaN | NaN | NaN | несетевое | NaN |
| 38 | ижора | булочная | Москва, Ижорский проезд, 5А | Северный административный округ | unknown | 55.888366 | 37.514856 | 4.4 | NaN | NaN | NaN | NaN | несетевое | NaN |
| 39 | шаурмагия | быстрое питание | Москва, Базовская улица, 15А | Северный административный округ | ежедневно, 09:00–23:00 | 55.880831 | 37.510574 | 4.0 | средние | Средний счёт:60–400 ₽ | 230.0 | NaN | несетевое | NaN |
| 40 | кафе | кафе | Москва, Ижорская улица, 18, стр. 1 | Северный административный округ | unknown | 55.895115 | 37.524902 | 3.7 | NaN | NaN | NaN | NaN | несетевое | NaN |
| 41 | крошка картошка | быстрое питание | Москва, улица Дыбенко, 7/1 | Северный административный округ | ежедневно, 10:00–22:00 | 55.878515 | 37.479308 | 4.1 | NaN | NaN | NaN | NaN | сетевое | NaN |
| 43 | суши & пицца | ресторан | Москва, Дмитровское шоссе, 169, корп. 6 | Северо-Восточный административный округ | ежедневно, 10:00–23:00 | 55.928943 | 37.540548 | 4.0 | NaN | NaN | NaN | NaN | несетевое | NaN |
| 46 | cofefest | кофейня | Москва, улица Маршала Федоренко, 6с1 | Северный административный округ | пн-пт 09:00–19:00 | 55.879934 | 37.492522 | 3.6 | NaN | NaN | NaN | NaN | сетевое | NaN |
| 49 | 2u-ту-ю | пиццерия | Москва, Ижорская улица, 8А | Северный административный округ | ежедневно, круглосуточно | 55.886160 | 37.508784 | 2.7 | NaN | Средний счёт:900 ₽ | 900.0 | NaN | несетевое | NaN |
| 51 | арамье | булочная | Москва, Ангарская улица, 30/25 | Северный административный округ | ежедневно, 09:00–21:00 | 55.878014 | 37.522867 | 3.7 | NaN | NaN | NaN | NaN | сетевое | NaN |
| 52 | cofix | кофейня | Москва, улица Дыбенко, 7/1 | Северный административный округ | ежедневно, 08:00–22:00 | 55.878531 | 37.479395 | 3.8 | NaN | NaN | NaN | NaN | сетевое | NaN |
| 54 | шашлык | быстрое питание | Москва, Коровинское шоссе, 46, стр. 5 | Северный административный округ | ежедневно, круглосуточно | 55.887978 | 37.515823 | 3.9 | NaN | NaN | NaN | NaN | сетевое | NaN |
Судя по типам заведений и наименований, я думаю, что пропущены значения как и написал выше в заведениях без сидячих мест, быстрого питания либо работающих на доставку. Я предлагаю пропуски все заменить цифрой - 0. Чтобы все ячейки были заполнены. И после этого столбец будет готов.
data['seats'] = data['seats'].fillna(0)
Таким образом мы просмотрели все столбцы, по типу данных нет замечаний, их оставляем как есть, были пропуски в нескольких столбцах, мы их обработали, и почти подготовили к анализу. Сейчас посмотрим по наличию дубликатов и перейдем к анализу.
data.duplicated().sum()
0
Итого явных дубликатов не обнаружено. Неявные могут скрываться в столбце с названиями (как я писал выше), но строк слишком много для их поиска и я выбираю съэкономить время, оставив все как есть. Сейчас пеерйдем к созданию столбцов, завершив окончательно предобработку.
data['street'] = data['address'].apply(lambda x: x.split(', ')[1])
data.head(30)
| name | category | address | district | hours | lat | lng | rating | price | avg_bill | middle_avg_bill | middle_coffee_cup | chain | seats | street | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | wowфли | кафе | Москва, улица Дыбенко, 7/1 | Северный административный округ | ежедневно, 10:00–22:00 | 55.878494 | 37.478860 | 5.0 | NaN | NaN | NaN | NaN | несетевое | 0.0 | улица Дыбенко |
| 1 | четыре комнаты | ресторан | Москва, улица Дыбенко, 36, корп. 1 | Северный административный округ | ежедневно, 10:00–22:00 | 55.875801 | 37.484479 | 4.5 | выше среднего | Средний счёт:1500–1600 ₽ | 1550.0 | NaN | несетевое | 4.0 | улица Дыбенко |
| 2 | хазри | кафе | Москва, Клязьминская улица, 15 | Северный административный округ | пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00... | 55.889146 | 37.525901 | 4.6 | средние | Средний счёт:от 1000 ₽ | 1000.0 | NaN | несетевое | 45.0 | Клязьминская улица |
| 3 | dormouse coffee shop | кофейня | Москва, улица Маршала Федоренко, 12 | Северный административный округ | ежедневно, 09:00–22:00 | 55.881608 | 37.488860 | 5.0 | NaN | Цена чашки капучино:155–185 ₽ | NaN | 170.0 | несетевое | 0.0 | улица Маршала Федоренко |
| 4 | иль марко | пиццерия | Москва, Правобережная улица, 1Б | Северный административный округ | ежедневно, 10:00–22:00 | 55.881166 | 37.449357 | 5.0 | средние | Средний счёт:400–600 ₽ | 500.0 | NaN | сетевое | 148.0 | Правобережная улица |
| 5 | sergio pizza | пиццерия | Москва, Ижорская улица, вл8Б | Северный административный округ | ежедневно, 10:00–23:00 | 55.888010 | 37.509573 | 4.6 | средние | NaN | NaN | NaN | несетевое | 0.0 | Ижорская улица |
| 6 | огни города | бар,паб | Москва, Клязьминская улица, 9, стр. 3 | Северный административный округ | пн 15:00–04:00; вт-вс 15:00–05:00 | 55.890752 | 37.524653 | 4.4 | средние | Средний счёт:199 ₽ | 199.0 | NaN | несетевое | 45.0 | Клязьминская улица |
| 7 | mr. уголёк | быстрое питание | Москва, Клязьминская улица, 9, стр. 3 | Северный административный округ | пн-чт 10:00–22:00; пт,сб 10:00–23:00; вс 10:00... | 55.890636 | 37.524303 | 4.7 | средние | Средний счёт:200–300 ₽ | 250.0 | NaN | несетевое | 45.0 | Клязьминская улица |
| 8 | donna maria | ресторан | Москва, Дмитровское шоссе, 107, корп. 4 | Северный административный округ | ежедневно, 10:00–22:00 | 55.880045 | 37.539006 | 4.8 | средние | Средний счёт:от 500 ₽ | 500.0 | NaN | несетевое | 79.0 | Дмитровское шоссе |
| 9 | готика | кафе | Москва, Ангарская улица, 39 | Северный административный округ | ежедневно, 12:00–00:00 | 55.879038 | 37.524487 | 4.3 | средние | Средний счёт:1000–1200 ₽ | 1100.0 | NaN | несетевое | 65.0 | Ангарская улица |
| 10 | great room bar | бар,паб | Москва, Левобережная улица, 12 | Северный административный округ | ежедневно, круглосуточно | 55.877832 | 37.469171 | 4.5 | средние | Цена бокала пива:250–350 ₽ | NaN | NaN | несетевое | 102.0 | Левобережная улица |
| 11 | шашлык шефф | кафе | Москва, улица Маршала Федоренко, 10с1 | Северный административный округ | ежедневно, 10:00–21:00 | 55.881770 | 37.492362 | 4.9 | NaN | NaN | NaN | NaN | несетевое | 0.0 | улица Маршала Федоренко |
| 12 | заправка | кафе | Москва, МКАД, 80-й километр, 1 | Северный административный округ | вт-сб 09:00–18:00 | 55.899938 | 37.517958 | 4.3 | средние | Средний счёт:330 ₽ | 330.0 | NaN | несетевое | 0.0 | МКАД |
| 13 | буханка | булочная | Москва, Базовская улица, 15, корп. 1 | Северный административный округ | ежедневно, 08:00–22:00 | 55.877007 | 37.504980 | 4.8 | NaN | NaN | NaN | NaN | сетевое | 180.0 | Базовская улица |
| 14 | у сильвы | бар,паб | Москва, Ангарская улица, 42с1 | Северный административный округ | ежедневно, 13:00–00:00 | 55.885528 | 37.528371 | 4.2 | выше среднего | Средний счёт:1500 ₽ | 1500.0 | NaN | несетевое | 0.0 | Ангарская улица |
| 15 | дом обеда | столовая | Москва, улица Бусиновская Горка, 2 | Северный административный округ | пн-пт 08:30–18:30; сб 10:00–20:00 | 55.885890 | 37.493264 | 4.1 | средние | Средний счёт:300–500 ₽ | 400.0 | NaN | несетевое | 180.0 | улица Бусиновская Горка |
| 16 | база стритфуд | кафе | Москва, Базовская улица, 15, корп. 8 | Северный административный округ | ежедневно, 10:00–23:00 | 55.877859 | 37.507754 | 4.2 | средние | Средний счёт:140–350 ₽ | 245.0 | NaN | несетевое | 0.0 | Базовская улица |
| 17 | чайхана беш-бармак | ресторан | Москва, Ленинградское шоссе, 71Б, стр. 2 | Северный административный округ | ежедневно, круглосуточно | 55.876908 | 37.449876 | 4.4 | средние | Средний счёт:350–500 ₽ | 425.0 | NaN | несетевое | 96.0 | Ленинградское шоссе |
| 18 | час-пик | столовая | Москва, Коровинское шоссе, 30А | Северный административный округ | ежедневно, 09:00–21:00 | 55.884651 | 37.517482 | 4.3 | средние | Средний счёт:200–300 ₽ | 250.0 | NaN | несетевое | 25.0 | Коровинское шоссе |
| 19 | пекарня | булочная | Москва, Ижорский проезд, 5 | Северный административный округ | ежедневно, круглосуточно | 55.887969 | 37.515688 | 4.4 | NaN | NaN | NaN | NaN | сетевое | 0.0 | Ижорский проезд |
| 20 | чебуреки манты | кафе | Москва, Правобережная улица, 1Б | Северный административный округ | ежедневно, 10:00–22:00 | 55.880287 | 37.448646 | 4.3 | NaN | NaN | NaN | NaN | сетевое | 148.0 | Правобережная улица |
| 21 | 7/12 | кафе | Москва, Прибрежный проезд, 7 | Северный административный округ | ежедневно, 10:00–22:00 | 55.876805 | 37.464934 | 4.5 | NaN | NaN | NaN | NaN | несетевое | 0.0 | Прибрежный проезд |
| 22 | крымские чебуреки | кафе | Москва, Коровинское шоссе, 35, стр. 17 | Северный административный округ | пн-пт 09:00–21:00 | 55.883414 | 37.514572 | 4.2 | NaN | NaN | NaN | NaN | несетевое | 0.0 | Коровинское шоссе |
| 23 | буханка | булочная | Москва, Лобненская улица, 13к2 | Северный административный округ | ежедневно, 08:00–22:00 | 55.888421 | 37.527106 | 4.7 | NaN | NaN | NaN | NaN | сетевое | 0.0 | Лобненская улица |
| 24 | drive café | кафе | Москва, улица Дыбенко, 9Ас1 | Северный административный округ | ежедневно, круглосуточно | 55.879992 | 37.481571 | 4.0 | NaN | NaN | NaN | NaN | сетевое | 0.0 | улица Дыбенко |
| 25 | в парке вкуснее | кофейня | Москва, парк Левобережный | Северный административный округ | ежедневно, 10:00–21:00 | 55.878453 | 37.460028 | 4.3 | NaN | NaN | NaN | NaN | сетевое | 0.0 | парк Левобережный |
| 26 | пикочино | пиццерия | Москва, Дмитровское шоссе, 107к2 | Северный административный округ | пн-чт 11:00–22:00; пт,сб 11:00–23:00; вс 11:00... | 55.879390 | 37.541228 | 4.5 | средние | Средний счёт:300–1500 ₽ | 900.0 | NaN | несетевое | 0.0 | Дмитровское шоссе |
| 27 | шаурму х@чу | быстрое питание | Москва, улица Дыбенко, 7, стр. 1 | Северный административный округ | пн-пт 08:00–22:00; сб,вс 10:00–22:00 | 55.879324 | 37.480280 | 4.1 | NaN | Средний счёт:от 240 ₽ | 240.0 | NaN | несетевое | 4.0 | улица Дыбенко |
| 28 | mafe | кафе | Москва, МКАД, 78-й километр, 14к1 | Северный административный округ | ежедневно, 10:00–19:00 | 55.893061 | 37.501319 | 3.8 | средние | Средний счёт:400–600 ₽ | 500.0 | NaN | несетевое | 0.0 | МКАД |
| 29 | кушай город | столовая | Москва, Дмитровское шоссе, 157, стр. 15 | Северный административный округ | пн-пт 09:00–16:00 | 55.898414 | 37.539256 | 4.2 | средние | Средний счёт:200–250 ₽ | 225.0 | NaN | сетевое | 0.0 | Дмитровское шоссе |
def function(row):
if row['hours'] == "ежедневно, круглосуточно":
return 'True'
else:
return 'False'
data['is_24/7'] = data.apply(function, axis=1)
data.head()
| name | category | address | district | hours | lat | lng | rating | price | avg_bill | middle_avg_bill | middle_coffee_cup | chain | seats | street | is_24/7 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | wowфли | кафе | Москва, улица Дыбенко, 7/1 | Северный административный округ | ежедневно, 10:00–22:00 | 55.878494 | 37.478860 | 5.0 | NaN | NaN | NaN | NaN | несетевое | 0.0 | улица Дыбенко | False |
| 1 | четыре комнаты | ресторан | Москва, улица Дыбенко, 36, корп. 1 | Северный административный округ | ежедневно, 10:00–22:00 | 55.875801 | 37.484479 | 4.5 | выше среднего | Средний счёт:1500–1600 ₽ | 1550.0 | NaN | несетевое | 4.0 | улица Дыбенко | False |
| 2 | хазри | кафе | Москва, Клязьминская улица, 15 | Северный административный округ | пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00... | 55.889146 | 37.525901 | 4.6 | средние | Средний счёт:от 1000 ₽ | 1000.0 | NaN | несетевое | 45.0 | Клязьминская улица | False |
| 3 | dormouse coffee shop | кофейня | Москва, улица Маршала Федоренко, 12 | Северный административный округ | ежедневно, 09:00–22:00 | 55.881608 | 37.488860 | 5.0 | NaN | Цена чашки капучино:155–185 ₽ | NaN | 170.0 | несетевое | 0.0 | улица Маршала Федоренко | False |
| 4 | иль марко | пиццерия | Москва, Правобережная улица, 1Б | Северный административный округ | ежедневно, 10:00–22:00 | 55.881166 | 37.449357 | 5.0 | средние | Средний счёт:400–600 ₽ | 500.0 | NaN | сетевое | 148.0 | Правобережная улица | False |
# начнем исследование с количества объектов общественного питания по категориям.
data['category'].value_counts()
кафе 2378 ресторан 2043 кофейня 1413 бар,паб 765 пиццерия 633 быстрое питание 603 столовая 315 булочная 256 Name: category, dtype: int64
data_category = pd.DataFrame(data['category'].value_counts()).reset_index()
# строим диаграмму с сегментами
fig = go.Figure(data=[go.Pie(labels=data_category['index'],
values=data_category['category'],
pull = [0.1, 0])])
fig.update_layout(title='Категории объектов общественного питания по количеству',
width=800,
height=600,
annotations=[dict(x=1.12,
y=1.05,
text='Количество объектов',
showarrow=False)])
fig.show()
Больше всего у нас получилось заведений категорий "кафе". Их 28.3% от общего количества. Но "кафе" не безусловный лидер. С наименьшим отставанием, но тоже большой процент заняла категория "ресторан" - 24,3%. По сути получается половина заведений общественного питания - это кафе и рестораны. В самом "низу" находятся булочные - 3,05% и столовые - 3,75%.
# теперь посмотрим на количество посадочных мест более детально по категориям
data_seats = data.pivot_table(index='category', values='seats', aggfunc='count').sort_values(
by='seats', ascending=False)
data_seats
| seats | |
|---|---|
| category | |
| кафе | 2378 |
| ресторан | 2043 |
| кофейня | 1413 |
| бар,паб | 765 |
| пиццерия | 633 |
| быстрое питание | 603 |
| столовая | 315 |
| булочная | 256 |
plt.figure(figsize=(15,5))
sns.barplot(x=data_seats.index,y=data_seats['seats'])
plt.title('Количество посадочных мест по категориям')
plt.xlabel('Категория общественного питания')
plt.ylabel('Количество мест')
plt.show()
Равно как и в разбивке по категориям выше, так и здесь в распределении посадочных мест в лидерах категории "кафе" и "рестораны". Я предполагаю, что это логично, в эти заведения приходят чтобы поесть, и для этого нужно куда-нибудь сесть. Равно как и категория"булочная" которая у нас заняла последнее место , в ней не так необходимы посадочные места. Продукция в таких заведениях как правило готовится на вынос.
# посмотрим теперь на распределение между сетевыми и не сетевыми заведениями
data['chain'].value_counts()
несетевое 5201 сетевое 3205 Name: chain, dtype: int64
# уже понятно, что не сетевых заведений больше, визуализируем
ax = data.groupby('chain')['name'].count().sort_values().plot(kind='bar', figsize=(8,5))
ax.set_xlabel('Тип заведения')
ax.set_ylabel('Количество заведений')
ax.set_title('Количество сетевых и несетевых заведений общественного питания')
plt.xticks(rotation=0)
plt.show()
График нам отчетливо показывает, что несетевых заведений больше.
data_chain = data.groupby(['category', 'chain'])['chain'].count()
data_chain.name = 'count'
data_chain = data_chain.reset_index().sort_values(by='count', ascending=False)
data_chain = data_chain[data_chain['chain']=='сетевое'].sort_values(by='count', ascending=False)
data_chain
| category | chain | count | |
|---|---|---|---|
| 7 | кафе | сетевое | 779 |
| 13 | ресторан | сетевое | 730 |
| 9 | кофейня | сетевое | 720 |
| 11 | пиццерия | сетевое | 330 |
| 5 | быстрое питание | сетевое | 232 |
| 1 | бар,паб | сетевое | 169 |
| 3 | булочная | сетевое | 157 |
| 15 | столовая | сетевое | 88 |
# строим диаграмму с сегментами
fig = go.Figure(data=[go.Pie(labels=data_chain['category'],
values=data_chain['count'],
pull = [0.1, 0])])
fig.update_layout(title='Категории сетевых заведений общественного питания по количеству',
width=800,
height=600,
annotations=[dict(x=1.12,
y=1.05,
text='Количество заведений',
showarrow=False)])
fig.show()
Если взять срез по сетевым заведениям "лидеры" все теже. Среди категорий "Кафе" и "Рестораны" чаще встречаются сетевые чем остальные. Заметно еще категория "Кофейни" которая буквально вровень с "Ресторанами" является тоже в топе по частоте сетевых заведений.
df_top15 = data[data['chain']=='сетевое']
df_top15 = df_top15.groupby(['name'])['name'].count()
df_top15.name = 'count'
df_top15 = df_top15.reset_index().sort_values(by='count', ascending=False)
df_top15 = df_top15.reset_index()
df_top15= df_top15.loc[:14]
df_top15
| index | name | count | |
|---|---|---|---|
| 0 | 729 | шоколадница | 120 |
| 1 | 335 | домино'с пицца | 76 |
| 2 | 331 | додо пицца | 74 |
| 3 | 146 | one price coffee | 71 |
| 4 | 742 | яндекс лавка | 69 |
| 5 | 58 | cofix | 65 |
| 6 | 168 | prime | 50 |
| 7 | 664 | хинкальная | 44 |
| 8 | 409 | кофепорт | 42 |
| 9 | 418 | кулинарная лавка братьев караваевых | 39 |
| 10 | 628 | теремок | 38 |
| 11 | 683 | чайхана | 37 |
| 12 | 39 | cofefest | 32 |
| 13 | 267 | буханка | 32 |
| 14 | 477 | му-му | 27 |
df_15 = data[data['chain']=='сетевое']
df_15 = df_15.loc[df_15['name'].isin(['шоколадница',
"домино'с пицца",
'додо пицца',
'one price coffee',
'яндекс лавка',
'cofix',
'prime',
'хинкальная',
'кофепорт',
'кулинарная лавка братьев караваевых',
'теремок',
'чайхана',
'cofefest',
'буханка',
'му-му'])]
# теперь перейдем к топ-15 названий заведений среди сетей
data_top_name = df_15.groupby(['name'])['name'].count()
data_top_name.name = 'count'
data_top_name = data_top_name.reset_index().sort_values(by='count', ascending=False)
data_top_name = data_top_name.reset_index()
data_top_name = data_top_name.loc[:14]
data_top_name
| index | name | count | |
|---|---|---|---|
| 0 | 13 | шоколадница | 120 |
| 1 | 6 | домино'с пицца | 76 |
| 2 | 5 | додо пицца | 74 |
| 3 | 2 | one price coffee | 71 |
| 4 | 14 | яндекс лавка | 69 |
| 5 | 1 | cofix | 65 |
| 6 | 3 | prime | 50 |
| 7 | 11 | хинкальная | 44 |
| 8 | 7 | кофепорт | 42 |
| 9 | 8 | кулинарная лавка братьев караваевых | 39 |
| 10 | 10 | теремок | 38 |
| 11 | 12 | чайхана | 37 |
| 12 | 0 | cofefest | 32 |
| 13 | 4 | буханка | 32 |
| 14 | 9 | му-му | 27 |
plt.figure(figsize=(15,8))
ax = sns.barplot(x='count', y='name', data=data_top_name, palette='tab10')
ax.set_xlabel('Количество')
ax.set_ylabel('Название сети')
ax.set_title('Топ-15 заведений общественного питания по популярности')
plt.xticks(rotation=0)
plt.show()
Мы построили график топ-15 названий сетевых заведений общественного питания. На первом месте по количеству записей с больщим отрывом у нас "Шоколадница". Далее в примерно в одном диапазоне идут "Доминос пицца", "Додо пицца", "One price coffee", "Яндекс лавка", и "Cofix". На последнем месте оказалась сеть под названием "Му-Му". Вообще все сети довольно известные, кто-то на рынке ресторанного бизнеса очень давно. Из этого списка выбивается только "Хинкальная" и "Буханка", которые по моему субъективному мнению менее известны. По объединяющему признаку я бы смотрел дальше исследование. Пока на первый взгляд его нет, есть только субъективное мнение, что все эти заведения по большей степени "студенческие". Это места, куда можно по быстрому забежать, достаточно не плохо перекусить и позволить себе это могут люди как и с большим так и меньшим доходом.
# построим датасет для анализа по категориям
data_top15 = df_15.groupby(['category'])['name'].count()
data_top15.name = 'count'
data_top15 = data_top15.reset_index().sort_values(by='count', ascending=False)
data_top15 = data_top15.reset_index()
data_top15 = data_top15.loc[:14]
data_top15
| index | category | count | |
|---|---|---|---|
| 0 | 4 | кофейня | 336 |
| 1 | 6 | ресторан | 186 |
| 2 | 5 | пиццерия | 151 |
| 3 | 3 | кафе | 100 |
| 4 | 1 | булочная | 25 |
| 5 | 2 | быстрое питание | 12 |
| 6 | 0 | бар,паб | 4 |
| 7 | 7 | столовая | 2 |
# строим диаграмму сначала с категориями
fig = go.Figure(data=[go.Pie(labels=data_top15['category'],
values=data_top15['count'],
pull = [0.1, 0])])
fig.update_layout(title='Категории топ-15 сетевых заведений общественного питания по количеству',
width=800,
height=600,
annotations=[dict(x=1.12,
y=1.05,
text='Количество записей',
showarrow=False)])
fig.show()
Согласно графику в топе у нас кофейни, их 41% (почти половина). С ростом популярности кофе, как напитка в Москве ничего удивительного, что эта категория самая популярная. Далее по порядку идут ресторан (22%) и пиццерия (18%) . Столовая меньше всего в процентаже (0,2%), меньше процента набрала также категория с баром, пабом.
# построим датасет для анализа по районам
data_distr = df_15.groupby(['district'])['name'].count()
data_distr.name = 'count'
data_distr = data_distr.reset_index().sort_values(by='count', ascending=False)
data_distr = data_distr.reset_index()
data_distr = data_distr.loc[:14]
data_distr
| index | district | count | |
|---|---|---|---|
| 0 | 5 | Центральный административный округ | 214 |
| 1 | 8 | Южный административный округ | 89 |
| 2 | 1 | Западный административный округ | 88 |
| 3 | 2 | Северный административный округ | 88 |
| 4 | 3 | Северо-Восточный административный округ | 85 |
| 5 | 0 | Восточный административный округ | 80 |
| 6 | 7 | Юго-Западный административный округ | 70 |
| 7 | 6 | Юго-Восточный административный округ | 56 |
| 8 | 4 | Северо-Западный административный округ | 46 |
# строим диаграмму сначала с категориями
fig = go.Figure(data=[go.Pie(labels=data_distr['district'],
values=data_distr['count'],
pull = [0.1, 0])])
fig.update_layout(title='Районы топ-15 сетевых заведений общественного питания по количеству записей',
width=800,
height=600,
annotations=[dict(x=1.12,
y=1.05,
text='Количество записей',
showarrow=False)])
fig.show()
Больше всего популярных заведений разместились в центральном административном округе. Что тоже ничего удивительного. Самая большая проходимость людей, помимо работников и студентов в центре много туристов. Им всем нужно где-то попить кофе и покушать. Далее идет Южный администратиный округ и меньше всего популярных заведений в Северо-Западном административном округе.
# теперь мы посмотрим общую разбивку по заведениям исходя из районов :
district = data.pivot_table(index='district', values='name', aggfunc='count').sort_values(
by='name', ascending=False)
district.reset_index()
| district | name | |
|---|---|---|
| 0 | Центральный административный округ | 2242 |
| 1 | Северный административный округ | 900 |
| 2 | Южный административный округ | 892 |
| 3 | Северо-Восточный административный округ | 891 |
| 4 | Западный административный округ | 851 |
| 5 | Восточный административный округ | 798 |
| 6 | Юго-Восточный административный округ | 714 |
| 7 | Юго-Западный административный округ | 709 |
| 8 | Северо-Западный административный округ | 409 |
В нашем датасете присутсвуют 9 административных округов, можно сказать классические округи. Отмечу отсутствие Зеленоградского, Новомосковского и Троицкого округов.
distr = data.groupby(['district', 'category'])['name'].agg('count')\
.reset_index()\
.sort_values(by='name', ascending=False)
percentage_df = data.groupby(['district', 'category'])\
.size()\
.groupby(level=0)\
.apply(lambda x: round(100 * x / float(x.sum()), 2))\
.reset_index()\
.rename(columns={0: 'percentage'})
distr = pd.merge(distr, percentage_df, how='left', on=['district', 'category'])
distr
| district | category | name | percentage | |
|---|---|---|---|---|
| 0 | Центральный административный округ | ресторан | 670 | 29.88 |
| 1 | Центральный административный округ | кафе | 464 | 20.70 |
| 2 | Центральный административный округ | кофейня | 428 | 19.09 |
| 3 | Центральный административный округ | бар,паб | 364 | 16.24 |
| 4 | Юго-Восточный административный округ | кафе | 282 | 39.50 |
| ... | ... | ... | ... | ... |
| 67 | Северо-Западный административный округ | бар,паб | 23 | 5.62 |
| 68 | Северо-Западный административный округ | столовая | 18 | 4.40 |
| 69 | Юго-Западный административный округ | столовая | 17 | 2.40 |
| 70 | Юго-Восточный административный округ | булочная | 13 | 1.82 |
| 71 | Северо-Западный административный округ | булочная | 12 | 2.93 |
72 rows × 4 columns
fig = px.bar(percentage_df,\
x='district',\
y='percentage',\
color='category',\
title='Распределение количества заведений по районам',\
width=1000,
height=1200) # text_auto='',
fig.update_layout(
title='Типы заведений по районам (в процентах)',
xaxis_title="Район",
yaxis_title="Количество",
xaxis=dict(
tickmode='array',
tickvals=percentage_df['district'],
ticktext=percentage_df['district']
),
legend_title=''
)
fig.show()
Интересно посмотреть на состав заведений по каждому округу. Например если столовых примерно равная доля во всех округах, то ресторанов больше в Центральном и Северо-Западном округах. Так и с кафе - их больше на Юго-восточном округе, а вот баров и пабов точно в Центральном.
# посмотрим на распеределение средних рейтингов по категориям заведений.
data_rating = data.groupby(['category'], as_index=False)[['rating']].mean().sort_values(by='rating', ascending=False)
data_rating
| category | rating | |
|---|---|---|
| 0 | бар,паб | 4.387712 |
| 5 | пиццерия | 4.301264 |
| 6 | ресторан | 4.290357 |
| 4 | кофейня | 4.277282 |
| 1 | булочная | 4.268359 |
| 7 | столовая | 4.211429 |
| 3 | кафе | 4.123886 |
| 2 | быстрое питание | 4.050249 |
fig = px.histogram(data_rating,
x='category',
y='rating',
color='category',
title='Распределение средних рейтингов по категориям заведений',
nbins=70,
barmode='overlay')
fig.update_xaxes(title_text='Категория')
fig.update_yaxes(title_text='Рейтинг')
fig.show()
Интересно, что у нас средний рейтинг получился плюс минус у всех категорий на одном уровне. Но все равно хочу выделить первое место по среднему рейтингу - категории заведений "бар, паб". И отметить самый низкий рейтинг у категории - "быстрое питание".
# приступаем к построению фоновой картограммы (хороплет) со средним рейтингом заведений каждого района
rating_data = data.groupby('district', as_index=False)['rating'].agg('mean')
rating_data.sort_values(by='rating', ascending=False)
| district | rating | |
|---|---|---|
| 5 | Центральный административный округ | 4.377520 |
| 2 | Северный административный округ | 4.239778 |
| 4 | Северо-Западный административный округ | 4.208802 |
| 8 | Южный административный округ | 4.184417 |
| 1 | Западный административный округ | 4.181551 |
| 0 | Восточный административный округ | 4.174185 |
| 7 | Юго-Западный административный округ | 4.172920 |
| 3 | Северо-Восточный административный округ | 4.148260 |
| 6 | Юго-Восточный административный округ | 4.101120 |
state_geo = '/datasets/admin_level_geomap.geojson'
moscow_lat, moscow_lng = 55.751244, 37.618423
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
Choropleth(
geo_data=state_geo,
data=rating_data,
columns=['district', 'rating'],
key_on='feature.name',
fill_color='BuPu',
fill_opacity=0.7,
legend_name='Средний рейтинг заведений по районам',
).add_to(m)
m
"Хороплет" показал визуально, что в Центральном административном округе Москвы самый высокий средний рейтинг заведений. Что тоже логично, поскольку там очень большая проходимость и больше всего заведений. Высокая конкуренция + обязанность соответствовать хорошему уровню обслуживания заставляет держать марку. Юго-Восточный административный округ с самым низким рейтингом. Хотя если посмотреть на сам рейтинг - 4,1 из 5 это очень хорошо.
# далее отобразим все заведения с помощью кластеров
moscow_lat, moscow_lng = 55.751244, 37.618423
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
marker_cluster = MarkerCluster().add_to(m)
def create_clusters(row):
Marker(
[row['lat'], row['lng']],
popup=f"{row['name']} {row['rating']}",
).add_to(marker_cluster)
data.apply(create_clusters, axis=1)
m
Построенная карта по кластерам только подтверждает очень высокую плотность по заведениям в Центральном административном округе в г. Москва.
# теперь посмотрим на топ-15 улиц и построим график заведений и категорий завдеений размещенных на этих улицах
data_top15 = data.groupby(['street'])['name'].count()
data_top15.name = 'count'
data_top15 = data_top15.reset_index().sort_values(by='count', ascending=False)
data_top15 = data_top15.reset_index()
data_top15= data_top15.loc[:14]
data_top15
| index | street | count | |
|---|---|---|---|
| 0 | 1090 | проспект Мира | 184 |
| 1 | 773 | Профсоюзная улица | 122 |
| 2 | 1087 | проспект Вернадского | 108 |
| 3 | 525 | Ленинский проспект | 107 |
| 4 | 523 | Ленинградский проспект | 95 |
| 5 | 373 | Дмитровское шоссе | 88 |
| 6 | 455 | Каширское шоссе | 77 |
| 7 | 298 | Варшавское шоссе | 76 |
| 8 | 524 | Ленинградское шоссе | 70 |
| 9 | 550 | МКАД | 65 |
| 10 | 547 | Люблинская улица | 60 |
| 11 | 1154 | улица Вавилова | 55 |
| 12 | 517 | Кутузовский проспект | 54 |
| 13 | 1309 | улица Миклухо-Маклая | 49 |
| 14 | 781 | Пятницкая улица | 48 |
data_15 = data.loc[data['street'].isin(['проспект Мира',
'Профсоюзная улица',
'проспект Вернадского',
'Ленинский проспект',
'Ленинградский проспект',
'Дмитровское шоссе',
'Каширское шоссе',
'Варшавское шоссе',
'Ленинградское шоссе',
'МКАД',
'Люблинская улица',
'улица Вавилова',
'Кутузовский проспект',
'улица Миклухо-Маклая',
'Пятницкая улица'])]
top_15_street = data_15.groupby(['street', 'category'])['name'].count()
top_15_street.name = 'count'
top_15_street = top_15_street.reset_index().sort_values(by='count', ascending=False)
top_15_street = top_15_street.reset_index()
fig = px.bar(top_15_street,
x='street',
y='count',
color='category',
title='Общее количество заведений и количество заведений каждой категории по топ-15 улицам',
labels=dict(count ='Количество заведений', street='Улицы'))
fig.update_xaxes(tickangle=50)
fig.show()
Больше всего заведений на улице проспект Мира, далее на Профсоюзной улице и на проспекте Вернадского. А вот на Пятницкой улице меньше всего. Полезная информация для прогулок в зиму, на Пятницкой улице будет большая конкуренция за горячим чаем.
# посмотри на улицы где всего лишь один объект общепита.
one_rest = data.pivot_table(index=['street'],
values='name',
aggfunc='count').reset_index().query('name == 1')
one_rest
| street | name | |
|---|---|---|
| 0 | 1-й Автозаводский проезд | 1 |
| 1 | 1-й Балтийский переулок | 1 |
| 2 | 1-й Варшавский проезд | 1 |
| 3 | 1-й Вешняковский проезд | 1 |
| 5 | 1-й Голутвинский переулок | 1 |
| ... | ... | ... |
| 1436 | улица Шкулёва | 1 |
| 1437 | улица Шкулёва 4 | 1 |
| 1439 | улица Шухова | 1 |
| 1442 | улица Юннатов | 1 |
| 1447 | № 7 | 1 |
458 rows × 2 columns
street_list = list(one_rest['street'])
data_rest_one = data.loc[data['street'].isin(street_list)]
data_rest_one
| name | category | address | district | hours | lat | lng | rating | price | avg_bill | middle_avg_bill | middle_coffee_cup | chain | seats | street | is_24/7 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 15 | дом обеда | столовая | Москва, улица Бусиновская Горка, 2 | Северный административный округ | пн-пт 08:30–18:30; сб 10:00–20:00 | 55.885890 | 37.493264 | 4.1 | средние | Средний счёт:300–500 ₽ | 400.0 | NaN | несетевое | 180.0 | улица Бусиновская Горка | False |
| 21 | 7/12 | кафе | Москва, Прибрежный проезд, 7 | Северный административный округ | ежедневно, 10:00–22:00 | 55.876805 | 37.464934 | 4.5 | NaN | NaN | NaN | NaN | несетевое | 0.0 | Прибрежный проезд | False |
| 25 | в парке вкуснее | кофейня | Москва, парк Левобережный | Северный административный округ | ежедневно, 10:00–21:00 | 55.878453 | 37.460028 | 4.3 | NaN | NaN | NaN | NaN | сетевое | 0.0 | парк Левобережный | False |
| 58 | coffeekaldi's | кофейня | Москва, Угличская улица, 13, стр. 8 | Северо-Восточный административный округ | ежедневно, 09:00–22:00 | 55.900316 | 37.570558 | 4.1 | средние | Средний счёт:500–800 ₽ | 650.0 | NaN | сетевое | 0.0 | Угличская улица | False |
| 60 | чебуречная история | кофейня | Москва, ландшафтный заказник Лианозовский | Северо-Восточный административный округ | ежедневно, 10:00–22:00 | 55.899845 | 37.570488 | 4.9 | NaN | NaN | NaN | NaN | сетевое | 0.0 | ландшафтный заказник Лианозовский | False |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 8289 | мираж | ресторан | Москва, улица Шкулёва, 2А | Юго-Восточный административный округ | пн-пт 11:00–23:00; сб,вс 11:00–00:00 | 55.693340 | 37.746231 | 4.7 | NaN | NaN | NaN | NaN | несетевое | 90.0 | улица Шкулёва | False |
| 8294 | wtfcoffee | кофейня | Москва, улица Артюхиной, 14/8с1 | Юго-Восточный административный округ | ежедневно, 10:00–22:00 | 55.699044 | 37.737790 | 4.4 | средние | NaN | NaN | NaN | несетевое | 0.0 | улица Артюхиной | False |
| 8317 | беседка | кафе | Москва, Кузьминская улица, 10 | Юго-Восточный административный округ | ежедневно, 11:00–23:00 | 55.690691 | 37.787735 | 4.1 | NaN | NaN | NaN | NaN | сетевое | 0.0 | Кузьминская улица | False |
| 8379 | лагман хаус | кафе | Москва, Новороссийская улица, 14, стр. 2 | Юго-Восточный административный округ | ежедневно, 10:00–00:00 | 55.678772 | 37.759422 | 4.3 | NaN | NaN | NaN | NaN | сетевое | 40.0 | Новороссийская улица | False |
| 8400 | практика кофе | кофейня | Москва, Чонгарский бульвар, 26А, корп. 1 | Юго-Западный административный округ | пн-пт 08:00–22:00; сб,вс 09:00–22:00 | 55.654289 | 37.600722 | 4.4 | NaN | NaN | NaN | NaN | несетевое | 55.0 | Чонгарский бульвар | False |
458 rows × 16 columns
moscow_lat, moscow_lng = 55.751244, 37.618423
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
marker_cluster = MarkerCluster().add_to(m)
def create_clusters(row):
Marker(
[row['lat'], row['lng']],
popup=f"{row['name']} {row['rating']}",
).add_to(marker_cluster)
data_rest_one.apply(create_clusters, axis=1)
m
Эти заведения по большему счету ничем не отличаются от других заведений, кроме как расположением. Они как правило все размещены либо в переулке, либо на улице "спального" района, либо на не длинной улице. В таких местах нет смысла устраивать большую конкуренцию и открывать много заведений.
# переходим к анализу среднего чека по районам (посчитаем медиану)
med_district = data.groupby('district', as_index=False)['middle_avg_bill'].agg('median')
med_district.sort_values(by='middle_avg_bill', ascending=False)
| district | middle_avg_bill | |
|---|---|---|
| 1 | Западный административный округ | 1000.0 |
| 5 | Центральный административный округ | 1000.0 |
| 4 | Северо-Западный административный округ | 700.0 |
| 2 | Северный административный округ | 650.0 |
| 7 | Юго-Западный административный округ | 600.0 |
| 0 | Восточный административный округ | 575.0 |
| 3 | Северо-Восточный административный округ | 500.0 |
| 8 | Южный административный округ | 500.0 |
| 6 | Юго-Восточный административный округ | 450.0 |
state_geo = '/datasets/admin_level_geomap.geojson'
moscow_lat, moscow_lng = 55.751244, 37.618423
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
Choropleth(
geo_data=state_geo,
data=med_district,
columns=['district', 'middle_avg_bill'],
key_on='feature.name',
fill_color='BuPu',
fill_opacity=0.7,
legend_name='Медианный чек заведений по районам',
).add_to(m)
m
Медианное значение цены получилось самым высоким в Центральном административном округе и в Западном (одинаковое значение).Вообще Западный административный округ считается более дорогим по размещению чем другие, возможно и высокие цены этим же обьясняются. Зато Юго-восточный админстративный округ самый не дорогой (медианное значение всего 450). Наверное зависимость от размещения и удаленность от центра играет роль в образовании цены, все остальные округа по медианному значению ниже чем центр, но выбивается Западный административный округ.
Определили следующие категории заведений:
Больше всего у нас получилось заведений категорий :
В распределении посадочных мест в лидерах следующие категории:
Среди категорий "Кафе" и "Рестораны", а также "Кофейни" чаще встречаются сетевые чем остальные. На их долю приходится около 70% всех сетевых категорий.
Если выделить топ-15 по популярности сетевых заведений, то:
При распределении заведений по категориям сетей:
Больше всего популярных заведений разместились:
Если посмотреть на состав заведений по каждому округу, то ресторанов больше в Центральном и Северо-Западном округах. А кафе больше на Юго-восточном округе. Баров и пабов больше размещено в Центральном Административном Округе.
Стоит отметить, что средний рейтинг заведений получился на одном уровне у всех категорий заведений. Самый высокий средний рейтинг имеет категория заведений "бар, паб". А самый низкий рейтинг у категории - "быстрое питание".
При определениии топ-15 улиц по количеству заведений больше всего объектов размещается на следующих улицах:
При определении медианного значения цены у Центрального Административного Округа выявлено самое высокое значение. Также в Западном Административном округе было определено такое же медианное значение цены как и у ЦАО.
Юго-восточный админстративный округ стал самым не дорогим (его медианное значение всего 450).
Можно предположить взаимосвязь определения цены и удаленности от центра. Остальные округа по медианному значению цены ниже чем в ЦАО.
Таким образом проведена большая аналитическая работа по исследованию заведений общественного питания Москвы. В ходе исследования получена полезная информация по размещению заведений в округах, медианным значениям цен, анализу разделения заведений на сетевые и несетевые, и т.д.
# посчитаем кофейни и посмотрим в каких районах их больше всего.
data_coff = data[data['category'] == 'кофейня']
data_coff['name'].value_counts().sum()
1413
data_coff.head(30)
| name | category | address | district | hours | lat | lng | rating | price | avg_bill | middle_avg_bill | middle_coffee_cup | chain | seats | street | is_24/7 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3 | dormouse coffee shop | кофейня | Москва, улица Маршала Федоренко, 12 | Северный административный округ | ежедневно, 09:00–22:00 | 55.881608 | 37.488860 | 5.0 | NaN | Цена чашки капучино:155–185 ₽ | NaN | 170.0 | несетевое | 0.0 | улица Маршала Федоренко | False |
| 25 | в парке вкуснее | кофейня | Москва, парк Левобережный | Северный административный округ | ежедневно, 10:00–21:00 | 55.878453 | 37.460028 | 4.3 | NaN | NaN | NaN | NaN | сетевое | 0.0 | парк Левобережный | False |
| 45 | 9 bar coffee | кофейня | Москва, Коровинское шоссе, 41, стр. 1 | Северный административный округ | пн-пт 08:00–18:00 | 55.885837 | 37.513422 | 4.0 | NaN | NaN | NaN | NaN | сетевое | 46.0 | Коровинское шоссе | False |
| 46 | cofefest | кофейня | Москва, улица Маршала Федоренко, 6с1 | Северный административный округ | пн-пт 09:00–19:00 | 55.879934 | 37.492522 | 3.6 | NaN | NaN | NaN | NaN | сетевое | 0.0 | улица Маршала Федоренко | False |
| 52 | cofix | кофейня | Москва, улица Дыбенко, 7/1 | Северный административный округ | ежедневно, 08:00–22:00 | 55.878531 | 37.479395 | 3.8 | NaN | NaN | NaN | NaN | сетевое | 0.0 | улица Дыбенко | False |
| 53 | royal coffee | кофейня | Москва, Правобережная улица, 1Б | Северный административный округ | ежедневно, 10:00–22:00 | 55.880622 | 37.448529 | 3.1 | NaN | NaN | NaN | NaN | несетевое | 148.0 | Правобережная улица | False |
| 58 | coffeekaldi's | кофейня | Москва, Угличская улица, 13, стр. 8 | Северо-Восточный административный округ | ежедневно, 09:00–22:00 | 55.900316 | 37.570558 | 4.1 | средние | Средний счёт:500–800 ₽ | 650.0 | NaN | сетевое | 0.0 | Угличская улица | False |
| 60 | чебуречная история | кофейня | Москва, ландшафтный заказник Лианозовский | Северо-Восточный административный округ | ежедневно, 10:00–22:00 | 55.899845 | 37.570488 | 4.9 | NaN | NaN | NaN | NaN | сетевое | 0.0 | ландшафтный заказник Лианозовский | False |
| 64 | testo мания | кофейня | Москва, Лианозовский парк культуры и отдыха | Северо-Восточный административный округ | ежедневно, 09:00–21:00 | 55.900058 | 37.570544 | 4.1 | NaN | NaN | NaN | NaN | несетевое | 0.0 | Лианозовский парк культуры и отдыха | False |
| 66 | молинари | кофейня | Москва, Алтуфьевское шоссе, 70, корп. 1 | Северо-Восточный административный округ | ежедневно, 10:00–22:00 | 55.887887 | 37.588294 | 4.8 | NaN | NaN | NaN | NaN | несетевое | 120.0 | Алтуфьевское шоссе | False |
| 71 | cofefest | кофейня | Москва, Новгородская улица, 23А | Северо-Восточный административный округ | пн-пт 08:00–19:00 | 55.901799 | 37.577672 | 4.1 | NaN | NaN | NaN | NaN | сетевое | 0.0 | Новгородская улица | False |
| 72 | лакрица | кофейня | Москва, Алтуфьевское шоссе, 85 | Северо-Восточный административный округ | ежедневно, 08:00–21:00 | 55.891196 | 37.585653 | 4.5 | средние | Цена чашки капучино:150–190 ₽ | NaN | 170.0 | несетевое | 12.0 | Алтуфьевское шоссе | False |
| 81 | coffee way | кофейня | Москва, Алтуфьевское шоссе, 86, корп. 1 | Северо-Восточный административный округ | ежедневно, 09:00–22:00 | 55.897789 | 37.588189 | 4.3 | NaN | Цена чашки капучино:120–170 ₽ | NaN | 145.0 | сетевое | 120.0 | Алтуфьевское шоссе | False |
| 89 | сахарочек | кофейня | Москва, Дмитровское шоссе, 107А, корп. 2 | Северный административный округ | пн-пт 09:00–22:00; сб 10:00–22:00; вс 10:00–21:00 | 55.879256 | 37.538444 | 4.5 | средние | Цена чашки капучино:100–200 ₽ | NaN | 150.0 | несетевое | 120.0 | Дмитровское шоссе | False |
| 96 | cofefest | кофейня | Москва, улица Пришвина, 8 | Северо-Восточный административный округ | пн-пт 08:00–19:00 | 55.888942 | 37.595195 | 4.3 | NaN | NaN | NaN | NaN | сетевое | 0.0 | улица Пришвина | False |
| 100 | take and wake | кофейня | Москва, Дмитровское шоссе, 100, стр. 2 | Северный административный округ | пн-пт 08:30–18:30 | 55.882019 | 37.546174 | 4.5 | низкие | Цена чашки капучино:150–210 ₽ | NaN | 180.0 | сетевое | 120.0 | Дмитровское шоссе | False |
| 106 | вектор | кофейня | Москва, Алтуфьевское шоссе, 48, корп. 1 | Северо-Восточный административный округ | пн-пт 07:30–18:30 | 55.876142 | 37.588024 | 4.4 | NaN | Цена чашки капучино:80–160 ₽ | NaN | 120.0 | несетевое | 120.0 | Алтуфьевское шоссе | False |
| 118 | cofefest | кофейня | Москва, Дубнинская улица, 40, корп. 3 | Северный административный округ | пн-пт 09:00–18:00 | 55.889336 | 37.561877 | 4.1 | NaN | NaN | NaN | NaN | сетевое | 0.0 | Дубнинская улица | False |
| 131 | crosseat | кофейня | Москва, бульвар Академика Ландау, 1 | Северо-Восточный административный округ | ежедневно, 09:00–21:00 | 55.920257 | 37.550906 | 4.5 | NaN | NaN | NaN | NaN | несетевое | 10.0 | бульвар Академика Ландау | False |
| 139 | шеф бургер | кофейня | Москва, Дмитровское шоссе, 116Д | Северо-Восточный административный округ | ежедневно, 10:00–22:00 | 55.901734 | 37.548499 | 4.1 | средние | Средний счёт:300 ₽ | 300.0 | NaN | сетевое | 120.0 | Дмитровское шоссе | False |
| 143 | one price coffee | кофейня | Москва, улица Пришвина, 22 | Северо-Восточный административный округ | ежедневно, 10:00–21:00 | 55.885364 | 37.601990 | 4.2 | NaN | NaN | NaN | NaN | сетевое | 90.0 | улица Пришвина | False |
| 144 | art coffee club | кофейня | Москва, Лобненская улица, 4А | Северный административный округ | ежедневно, 10:00–21:00 | 55.889787 | 37.539301 | 4.3 | NaN | NaN | NaN | NaN | несетевое | 40.0 | Лобненская улица | False |
| 149 | коффе души | кофейня | Москва, улица Софьи Ковалевской, 8 | Северный административный округ | ежедневно, 10:00–22:00, перерыв 16:00–16:20 | 55.882999 | 37.532970 | 4.3 | средние | Цена чашки капучино:100 ₽ | NaN | 100.0 | несетевое | 10.0 | улица Софьи Ковалевской | False |
| 151 | шоколадница | кофейня | Москва, Дмитровское шоссе, 163Ак1 | Северо-Восточный административный округ | ежедневно, 10:00–22:00 | 55.910447 | 37.542227 | 4.1 | NaN | Цена чашки капучино:239–274 ₽ | NaN | 256.0 | сетевое | 0.0 | Дмитровское шоссе | False |
| 171 | one price coffee | кофейня | Москва, Дмитровское шоссе, 163А, корп. 1 | Северо-Восточный административный округ | ежедневно, 10:00–22:00 | 55.909838 | 37.541526 | 4.0 | NaN | NaN | NaN | NaN | сетевое | 350.0 | Дмитровское шоссе | False |
| 187 | cofefest | кофейня | Москва, Инженерная улица, 3с1 | Северо-Восточный административный округ | пн-пт 08:00–19:00 | 55.878440 | 37.580627 | 2.9 | NaN | NaN | NaN | NaN | сетевое | 0.0 | Инженерная улица | False |
| 200 | wild bean | кофейня | Москва, Дмитровское шоссе, 107Е | Северный административный округ | ежедневно, круглосуточно | 55.878477 | 37.543426 | 3.5 | NaN | NaN | NaN | NaN | сетевое | 20.0 | Дмитровское шоссе | True |
| 202 | i-coffee. me | кофейня | Москва, Дмитровское шоссе, 157, стр. 12 | Северный административный округ | ежедневно, 08:00–22:00 | 55.898645 | 37.540436 | 4.2 | NaN | NaN | NaN | NaN | несетевое | 0.0 | Дмитровское шоссе | False |
| 209 | кафе | кофейня | Москва, Алтуфьевское шоссе, 52 | Северо-Восточный административный округ | пн-сб 09:00–20:00; вс 09:00–18:00 | 55.878024 | 37.587597 | 4.5 | NaN | NaN | NaN | NaN | несетевое | 18.0 | Алтуфьевское шоссе | False |
| 223 | the zavtrak | кофейня | Москва, Полярная улица, 27, корп. 2 | Северо-Восточный административный округ | ежедневно, 09:00–21:00 | 55.882649 | 37.636780 | 4.5 | NaN | NaN | NaN | NaN | несетевое | 52.0 | Полярная улица | False |
data_coff_distr = data_coff.groupby(['district'])['name'].count()
data_coff_distr.name = 'count'
data_coff_distr = data_coff_distr.reset_index().sort_values(by='count', ascending=False)
data_coff_distr = data_coff_distr.reset_index()
data_coff_distr
| index | district | count | |
|---|---|---|---|
| 0 | 5 | Центральный административный округ | 428 |
| 1 | 2 | Северный административный округ | 193 |
| 2 | 3 | Северо-Восточный административный округ | 159 |
| 3 | 1 | Западный административный округ | 150 |
| 4 | 8 | Южный административный округ | 131 |
| 5 | 0 | Восточный административный округ | 105 |
| 6 | 7 | Юго-Западный административный округ | 96 |
| 7 | 6 | Юго-Восточный административный округ | 89 |
| 8 | 4 | Северо-Западный административный округ | 62 |
fig = go.Figure(data=[go.Pie(labels=data_coff_distr['district'],
values=data_coff_distr['count'],
pull = [0.1, 0])])
fig.update_layout(title='Распределение кофеен по районам',
width=800,
height=600,
annotations=[dict(x=1.12,
y=1.05,
text='Количество кофеен',
showarrow=False)])
fig.show()
moscow_lat, moscow_lng = 55.751244, 37.618423
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
marker_cluster = MarkerCluster().add_to(m)
def create_clusters(row):
Marker(
[row['lat'], row['lng']],
popup=f"{row['name']} {row['rating']}",
).add_to(marker_cluster)
data_coff.apply(create_clusters, axis=1)
m
Всего у нас получается 1413 кофеен в Москве, большинство из них находятся в ЦАО (ожидаемо) - 30% от всего количества. Дальше распределение идет на убыль, меньше всего кофеен на Северо-Западе - 4,39%. Отмечу, что чем ближе к центру размещение плотнее и встречаются кофейни все чаще. А вот в спальных районах уже меньше плотность , и вариантов куда зайти меньше. Этот момент нужно зафиксировать - большинство живут в спальных районах, они ездят на работу с утра на общественном транспорте и утром могут забегать за кофе. Также вчерами или в выходной день им возможно хотелось бы просто зайти и провести время в уютном месте с ароматном запахом кофе. Выбор не так велик на Северо-западе, Юго-Востоке, Юго-Западе.
# теперь посмотрим также только с круглосуточными кофейнями.
ax = data_coff.groupby('is_24/7')['name'].count().sort_values().plot(kind='bar', figsize=(8,5))
ax.set_xlabel('Тип кофеен по времени работы')
ax.set_ylabel('Количество кофеен')
ax.set_title('Количество круглосуточных кофеен')
plt.xticks(rotation=0)
plt.show()
data_coff['is_24/7'].value_counts()
False 1354 True 59 Name: is_24/7, dtype: int64
Всего 59 круглосуточных заведений на всю Москву! Давайте посмотрим где они размещены.
data_coff_24 = data_coff[data_coff['is_24/7'] == 'True']
data_coff_24_7 = data_coff_24.groupby(['district'])['name'].count()
data_coff_24_7.name = 'count'
data_coff_24_7 = data_coff_24_7.reset_index().sort_values(by='count', ascending=False)
fig = go.Figure(data=[go.Pie(labels=data_coff_24_7['district'],
values=data_coff_24_7['count'],
pull = [0.1, 0])])
fig.update_layout(title='Распределение кофеен по районам',
width=800,
height=600,
annotations=[dict(x=1.12,
y=1.05,
text='Количество кофеен',
showarrow=False)])
fig.show()
moscow_lat, moscow_lng = 55.751244, 37.618423
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
marker_cluster = MarkerCluster().add_to(m)
def create_clusters(row):
Marker(
[row['lat'], row['lng']],
popup=f"{row['name']} {row['rating']}",
).add_to(marker_cluster)
data_coff_24.apply(create_clusters, axis=1)
m
Круглосуточные кофейни ожидаемо размещены в ЦАО, на втором месте Западный административный округ. А вот в Юго-Восточном и Южном административном округе вообще по одной круглосуточной кофейни на весь район.
# смотрим рейтинги кофеен
rating_coff = data_coff.groupby(['name'], as_index=False)[['rating']].mean().sort_values(by='rating', ascending=False)
rating_coff
| name | rating | |
|---|---|---|
| 698 | подоконник | 5.0 |
| 585 | кофейная история | 5.0 |
| 725 | саббиа кофе | 5.0 |
| 404 | youtime | 5.0 |
| 96 | coffee drop | 5.0 |
| ... | ... | ... |
| 197 | gold | 3.0 |
| 141 | coffprice | 3.0 |
| 808 | шкафе бульон | 2.9 |
| 281 | monty cafe | 2.3 |
| 648 | маракуйя | 1.4 |
826 rows × 2 columns
rating_distr = data_coff.groupby('district', as_index=False)['rating'].agg('mean')
rating_distr.sort_values(by='rating', ascending=False)
| district | rating | |
|---|---|---|
| 5 | Центральный административный округ | 4.336449 |
| 4 | Северо-Западный административный округ | 4.325806 |
| 2 | Северный административный округ | 4.291710 |
| 7 | Юго-Западный административный округ | 4.283333 |
| 0 | Восточный административный округ | 4.282857 |
| 8 | Южный административный округ | 4.232824 |
| 6 | Юго-Восточный административный округ | 4.225843 |
| 3 | Северо-Восточный административный округ | 4.216981 |
| 1 | Западный административный округ | 4.195333 |
state_geo = '/datasets/admin_level_geomap.geojson'
moscow_lat, moscow_lng = 55.751244, 37.618423
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
Choropleth(
geo_data=state_geo,
data=rating_distr,
columns=['district', 'rating'],
key_on='feature.name',
fill_color='BuPu',
fill_opacity=0.7,
legend_name='Средний рейтинг кофеен по районам',
).add_to(m)
m
Здесь не при сильном разбросе между средними рейтингами всех округов (от 4,19 до 4,33) все равно выделяется опять ЦАО и еще Северо-Западный административные округа. А вот кофейни с самыми низкими средними рейтингами находятся у нас ЮВАО, СВАО и ЗАО.
# посмотрим на среднюю цену чашки кофе и будем переходить уже к выводам
mean_district = data_coff.groupby('district', as_index=False)['middle_coffee_cup'].agg('mean')
mean_district.sort_values(by='middle_coffee_cup', ascending=False)
| district | middle_coffee_cup | |
|---|---|---|
| 1 | Западный административный округ | 189.938776 |
| 5 | Центральный административный округ | 187.518519 |
| 7 | Юго-Западный административный округ | 184.176471 |
| 0 | Восточный административный округ | 174.023810 |
| 2 | Северный административный округ | 165.789474 |
| 4 | Северо-Западный административный округ | 165.523810 |
| 3 | Северо-Восточный административный округ | 165.333333 |
| 8 | Южный административный округ | 158.488372 |
| 6 | Юго-Восточный административный округ | 151.088235 |
state_geo = '/datasets/admin_level_geomap.geojson'
moscow_lat, moscow_lng = 55.751244, 37.618423
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
Choropleth(
geo_data=state_geo,
data=mean_district,
columns=['district', 'middle_coffee_cup'],
key_on='feature.name',
fill_color='BuPu',
fill_opacity=0.7,
legend_name='Cредний чек за чашку кофе по районам',
).add_to(m)
m
Интересно, при самых низких средних рейтингах кофеен в ЗАО самая дорогая средняя стоимость кружки кофе - 189. ЦАО тоже в лидерах на втором месте по дороговизне - 187. Самое дешевая средняя цена на Юго-Востоке - 151 за чашку кофе. Конкретно по стоимости отвечу ниже в итоговом выводе.
Всего 1413 кофеен в Москве, из них большинство находятся в ЦАО - 30%. Меньше всего кофеен на Северо-Западе - 4,39%. Также достаточно маленькая плотность на Юго-Востоке и Юго-Западе.
Из этих 1413 кофеен только 59 работают круглосуточно. Большинство размещены в ЦАО (26 кофеен) , на втором месте Западный административный округ (9 кофеен). В Юго-Восточном и Южном административном округе только по одной круглосуточной кофейни на весь район.
Самый высокий средний рейтинг у кофеен из ЦАО и СЗАО. А вот кофейни с самыми низкими средними рейтингами находятся в ЮВАО, СВАО и ЗАО.
По средней стоимости за чашку кофе в ЗАО самая дорогая средняя стоимость кружки кофе - 189. Самое дешевая средняя цена на Юго-Востоке - 151 за чашку кофе.
Виден опеределенный перекос в количестве и качестве на ЦАО. Выходить на рынок при такой конкуренции можно, но нужна оценка финансовых консультантов, на сколько сильно можно демпинговать стоимость кружки кофе (в ЦАО одна из самых дорогих - 187). Если есть возможность опуститься до 165 и началь агресивно завоеовывать рынок - то Welcome! Но это высокий риск.
Зато благодаря этому мини исследованию у нас открывается пусть и не голубой океан, но не плохая ниша - в ЮВАО наименьшая плотность по количеству кофеен, а круглосуточная вообще одна, и там же одни из самых низких рейтингов среди всех округов.
Если сделать кофейню с определенным стилем и хорошим обслуживанием, поставить на круглосуточный режим - она уже будет смотреться выйгрышно. Определенно аренда помещении будет явно дешевле чем в ЦАО и тем самым можно при меньших издержках и хорошем сервисе поставить цену чуть выше - в диапазоне 155-160 рублей. Если у людей будет хорошая кофейня рейтинга уровня ЦАО при выборе из двух (ночных) и разнице в 4 рубля за кофе они пойдут в ту где будут знать , что их хорошо обслужат.